Adaptívní obchodní strategie pro kryptoměny

Abstract

Obchodní strategie pro kryptoměny bývají založeny na padajícím nebo stoupajícím trhu. Kámen úrazu nastává, když jsou aplikovány na špatný trend v tak nestabilním trhu, jako je ten s kryptoměnami. Tato práce se zabývá možností adaptivních obchodních strategií, které se dokáží přizpůsobit na klesající a stoupající trendy v kryptoměnovém trhu. Analyzováním ceny Bitcoinu a vytvořením metriky risku, kde se díváme na extrémy vytvořené funkce, můžeme dojít k řešení návrhu adaptivních strategií. Zkoumají se jak dlouhodobé, tak krátkodobé možnosti investování. K vyhodnocování strategií a vykreslování časových řad je vytvořen rozšířitelný program pro testování historických dat. Výsledky jsou porovnány s tradičními přístupy, jako je HODL a rebalancování, přičemž bylo zjištěno, že při použití správných kritérií se mohou více než ztrojnásobit. Práce nabízí investorům nové způsoby zisků a zároveň dává čtenářům možnost nahlédnout do tvorby (adaptivních) strategií a jejich zpětného testování v kódu. Předpokládá se, že výsledky práce budou využívány automatizovanými obchodními systémy.

Cryptocurrency trading strategies are based on either rising or falling markets, however, they fail when applied to the wrong trend in a volatile market. This thesis explores the idea of cryptocurrency trading in rising and falling markets with adaptive strategies that can adjust to current market trends in order to maximize effectiveness. The problem is solved by analyzing the Bitcoin price, creating risk metric and focusing on the function's extrema. Both long-term and short-term options are explored. An extensible backtester program is created to evaluate the strategies and plot the time series. The results are compared to traditional approaches like HODL and rebalance, the profits can multiply more than three times using the right criteria. The thesis offers new ways of gaining profit to cryptocurrency investors, as well as giving readers insight into creating (adaptive) trading strategies and backtesting them in code. The output of the thesis is expected to be used by automated trading systems.